公开(公告)号：CN118089729A

公开(公告)日：2024-05-28

申请号：CN202410210513.9

申请日：2024-02-26

申请人： 重庆大学

发明人： 王玉娟 ,  相静轩 ,  岑汝平 ,  宋永端 ,  李念 ,  刘子国 ,  熊一鑫 ,  周政 ,  汪宇凡 ,  张晴

IPC分类号： G01C21/20 ,  G01C21/00

摘要： 本发明公开了一种基于实例分割网络的室内动态环境下RGB‑D的SLAM方法，在采集到RGB图像的同时使用SOLOv2算法对其进行处理；结合先验语义，将掩码图中的动态物体覆盖上掩码；使用图像处理方法对动态物体进行形态学膨胀；将RGB图像、深度图像和掩码图像输入SLAM系统，构建图像金字塔；使用FAST算法在图像中检测关键点；使用BRIEF算法计算其对应的ORB描述子；对形态学膨胀后的动态物体提取特征点；结合深度图对伪动态特征点的深度值进行聚类并分为动态特征点和静态特征点；剔除聚类后得到的动态特征点；将所有的静态特征点输入追踪线程，并进行后续的局部建图线程及局部回环检测线程。本发明避免对位于动态物体和静态背景交界处特征点的误判，提高SLAM系统的鲁棒性。

公开(公告)号：CN116188404A

公开(公告)日：2023-05-30

申请号：CN202310075797.0

申请日：2023-02-07

申请人： 重庆大学

发明人： 宋永端 ,  邓磊 ,  熊一鑫 ,  周勇城 ,  沈志熙 ,  金其坚

IPC分类号： G06T7/00 ,  G06T7/12 ,  G06V10/44 ,  G06V10/80 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

摘要： 本发明公开了一种基于深度学习的肺结节检测方法，包括以下步骤：肺结节的目标检测、肺结节的边缘分割、肺结节的三维重构。本发明基于深度学习的肺结节检测方法提出了一种基于2DCNN的快速两阶段结节检测、分割和分类CAD系统，不仅可以检测结节的恶性程度，还可以检测其形态特征；引入分割注意模块，提高模型的可解释性，增强对小结节的特征提取；将原先的骨干网络替换成轻量级网络，以简化网络并减少模型参数量，降低计算成本；获取完整的结节切片后，裁剪待训练的结节，解决了样本正负分布不平衡的问题。

公开(公告)号：CN116228685A

公开(公告)日：2023-06-06

申请号：CN202310075484.5

申请日：2023-02-07

申请人： 重庆大学

发明人： 王玉娟 ,  熊一鑫 ,  邓磊 ,  宋永端 ,  金其坚 ,  潘妍睿 ,  陈清 ,  代云飞 ,  王超

IPC分类号： G06T7/00 ,  G06V10/44 ,  G06V10/80 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

摘要： 本发明公开了一种基于深度学习的肺结节检测与剔除方法，该方法在网络生成结果之前进行融合，对每一个模型的预测结果保留相同权重，使用加权框融合的后处理方法的到最终结果。提出了一种根据连续图片交并比值来判断结节连续性的方法，能够快速实现结节从二维转为三维，并且能够有效的减少误判。本发明基于二维目标检测模型检测肺结节，更加节省算力，且在检测完毕后结合了三维重构技术，实现了更快速，更精确的肺结节检测，除此之外，提出了Sa‑Yolo模型，通过引入分割注意力机制，从而加强了模型对于小结节的检测效果，并且在与Yolov7融合之后，能够获得更精准的结节边界框，能够更精准、快速地检测肺结节。

公开(公告)号：CN116012355A

公开(公告)日：2023-04-25

申请号：CN202310075453.X

申请日：2023-02-07

申请人： 重庆大学

发明人： 王玉娟 ,  邓磊 ,  熊一鑫 ,  宋永端 ,  相静轩 ,  汪宇凡 ,  金其坚 ,  陈清 ,  王超 ,  代云飞

IPC分类号： G06T7/00 ,  G06V10/44 ,  G06V10/80 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

摘要： 本发明公开了一种基于深度学习的自适应假阳性肺结节剔除方法，该方法的实现主体是一种基于3DCNN的自适应假阳性剔除网络，能够对不同大小的肺结节候选快进行分类，剔除假阳性肺结节；此外，根据肺结节的直径自动调整自适应率。本发明将待检测结节采样至22*22*20和32*32*24两种尺寸，之后分别放入两个独立的三维残差卷积神经网络中进行训练分类，借助自适应率对两个独立三维残差卷积神经网络的输出进行融合，能够对不同大小的结节候选快进行分类，剔除假阳性结节；本方法充分考虑了结节的直径，解决了其它系统泛化能力差的问题，从实际应用的过程中最大程度的利用了多尺寸肺结节的特征进行预测，保持了非常高的准确率。

公开(公告)号：CN116012355B

公开(公告)日：2023-11-21

申请号：CN202310075453.X

申请日：2023-02-07

申请人： 重庆大学

发明人： 王玉娟 ,  邓磊 ,  熊一鑫 ,  宋永端 ,  相静轩 ,  汪宇凡 ,  金其坚 ,  陈清 ,  王超 ,  代云飞

IPC分类号： G06T7/00 ,  G06V10/44 ,  G06V10/80 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

公开(公告)号：CN116228685B

公开(公告)日：2023-08-22

申请号：CN202310075484.5

申请日：2023-02-07

申请人： 重庆大学

发明人： 王玉娟 ,  熊一鑫 ,  邓磊 ,  宋永端 ,  金其坚 ,  潘妍睿 ,  陈清 ,  代云飞 ,  王超

IPC分类号： G06T7/00 ,  G06V10/44 ,  G06V10/80 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

摘要： 本发明公开了一种基于深度学习的肺结节检测与剔除方法，该方法在网络生成结果之前进行融合，对每一个模型的预测结果保留相同权重，使用加权框融合的后处理方法的到最终结果。提出了一种根据连续图片交并比值来判断结节连续性的方法，能够快速实现结节从二维转为三维，并且能够有效的减少误判。本发明基于二维目标检测模型检测肺结节，更加节省算力，且在检测完毕后结合了三维重构技术，实现了更快速，更精确的肺结节检测，除此之外，提出了Sa‑Yolo模型，通过引入分割注意力机制，从而加强了模型对于小结节的检测效果，并且在与Yolov7融合之后，能够获得更精准的结节边界框，能够更精准、快速地检测肺结节。